論文の概要: Predictive Business Process Monitoring via Generative Adversarial Nets:
The Case of Next Event Prediction
- arxiv url: http://arxiv.org/abs/2003.11268v2
- Date: Wed, 1 Apr 2020 09:44:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 02:48:32.791924
- Title: Predictive Business Process Monitoring via Generative Adversarial Nets:
The Case of Next Event Prediction
- Title（参考訳）: 生成的対向ネットによる予測的ビジネスプロセスモニタリング:次のイベント予測の場合
- Authors: Farbod Taymouri, Marcello La Rosa, Sarah Erfani, Zahra Dasht Bozorgi,
Ilya Verenich
- Abstract要約: 本稿では,次の事象予測の問題に対処するための,新たな逆トレーニングフレームワークを提案する。
これは、2人のプレイヤーのゲームで1つのニューラルネットワークをもう1つのニューラルネットワークと対戦させることで機能し、それは地上の真実と区別できない予測につながる。
単純なネットワークアーキテクチャとナイーブな特徴符号化を使用しても、正確さと予測のイヤーラインの両方において、体系的にすべてのベースラインを上回ります。
- 参考スコア（独自算出の注目度）: 0.026249027950824504
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive process monitoring aims to predict future characteristics of an
ongoing process case, such as case outcome or remaining timestamp. Recently,
several predictive process monitoring methods based on deep learning such as
Long Short-Term Memory or Convolutional Neural Network have been proposed to
address the problem of next event prediction. However, due to insufficient
training data or sub-optimal network configuration and architecture, these
approaches do not generalize well the problem at hand. This paper proposes a
novel adversarial training framework to address this shortcoming, based on an
adaptation of Generative Adversarial Networks (GANs) to the realm of sequential
temporal data. The training works by putting one neural network against the
other in a two-player game (hence the adversarial nature) which leads to
predictions that are indistinguishable from the ground truth. We formally show
that the worst-case accuracy of the proposed approach is at least equal to the
accuracy achieved in non-adversarial settings. From the experimental evaluation
it emerges that the approach systematically outperforms all baselines both in
terms of accuracy and earliness of the prediction, despite using a simple
network architecture and a naive feature encoding. Moreover, the approach is
more robust, as its accuracy is not affected by fluctuations over the case
length.
- Abstract（参考訳）: 予測プロセス監視は、ケース結果や残りのタイムスタンプなど、進行中のプロセスケースの将来の特性を予測することを目的としている。
近年,Long Short-Term MemoryやConvolutional Neural Networkといった,ディープラーニングに基づく予測プロセス監視手法が提案されている。
しかしながら、トレーニングデータ不足やネットワーク構成やアーキテクチャが最適でないため、これらのアプローチは問題に対して十分に一般化していない。
本稿では,GAN(Generative Adversarial Networks)を時系列データ領域に適応させることにより,この欠点に対処する新たな逆トレーニングフレームワークを提案する。
トレーニングは、一方のニューラルネットワークを2人のプレイヤーのゲーム(敵対的な性質)に配置することで、地上の真理と区別できない予測へと導く。
我々は,提案手法の最悪の精度が,非逆条件下で達成された精度と少なくとも等しいことを示す。
実験結果から,単純なネットワークアーキテクチャとナイーブな特徴符号化を用いても,提案手法は予測の正確さと補聴性の両方において,すべてのベースラインを体系的に上回ることがわかった。
さらに、その精度はケースの長さの変動の影響を受けないため、アプローチはより堅牢である。
関連論文リスト
- Tractable Function-Space Variational Inference in Bayesian Neural
Networks [72.97620734290139]
ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。
本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。
提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-12-28T18:33:26Z) - ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。
我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
論文 参考訳（メタデータ） (2022-11-21T13:23:09Z) - Learning Uncertainty with Artificial Neural Networks for Improved
Predictive Process Monitoring [0.114219428942199]
学習可能な不確実性には、トレーニングデータ不足によるモデル不確実性と、ノイズによる観察不確実性がある。
我々の貢献は、これらの不確実性の概念を予測プロセス監視タスクに適用し、不確実性に基づくモデルをトレーニングし、残りの時間と結果を予測することである。
論文 参考訳（メタデータ） (2022-06-13T17:05:27Z) - NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural
Networks [151.03112356092575]
本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。
種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
論文 参考訳（メタデータ） (2022-02-07T12:30:45Z) - Uncertainty-Aware Time-to-Event Prediction using Deep Kernel Accelerated
Failure Time Models [11.171712535005357]
本稿では,時間-時間予測タスクのためのDeep Kernel Accelerated Failure Timeモデルを提案する。
我々のモデルは、2つの実世界のデータセットの実験において、繰り返しニューラルネットワークに基づくベースラインよりも良い点推定性能を示す。
論文 参考訳（メタデータ） (2021-07-26T14:55:02Z) - Learning Uncertainty with Artificial Neural Networks for Improved
Remaining Time Prediction of Business Processes [0.15229257192293202]
本論文では,これらの手法を予測過程のモニタリングに応用する。
より正確な予測と迅速な作業に貢献できることが分かりました。
これは多くの興味深い応用をもたらし、より小さなデータセットを持つ予測システムを早期に導入し、人間とのより良い協力を促進する。
論文 参考訳（メタデータ） (2021-05-12T10:18:57Z) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Towards Trustworthy Predictions from Deep Neural Networks with Fast
Adversarial Calibration [2.8935588665357077]
本稿では,ドメインシフト後に得られたサンプルに対して,信頼度の高い信頼度を得るための効率的かつ汎用的なモデリング手法を提案する。
本稿では,エントロピー増大損失項と逆キャリブレーション損失項を組み合わせた新しいトレーニング戦略を導入し,この結果が適切に調整され,技術的に信頼できる予測となることを示す。
論文 参考訳（メタデータ） (2020-12-20T13:39:29Z) - Adversarial Refinement Network for Human Motion Prediction [61.50462663314644]
リカレントニューラルネットワークとフィードフォワードディープネットワークという2つの一般的な手法は、粗い動きの傾向を予測することができる。
本稿では,新たな逆誤差増大を伴う簡易かつ効果的な粗大きめ機構に従えば,ARNet(Adversarial Refinement Network)を提案する。
論文 参考訳（メタデータ） (2020-11-23T05:42:20Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。